شناسایی مولفه P300 با استفاده از روش های یادگیری عمیق بدون سرپرست بر پایه شبکه خود رمزگذار به منظور استفاده در سیستم های واسط مغز و رایانه

چکیده

زمينه. سیستم های واسط مغز و رایانه با استخراج اطلاعات از سیگنال‌های مغز، امکان ارتباط مغز با محیط، بدون استفاده از واسط فیزیولوژیک را فراهم می‌کنند. پتانسیل‌های وابسته به رخداد نوعی از سیگنال‌های مغزی هستند که P300 یکی از شاخته‌شده‌ترین مولفه‌ها در این دسته از سیگنال‌هاست. از مهم‌ترین بخش‌ها در طراحی سیستم‌های واسط مغز و رایانه مبتنی بر P300، طبقه‌بندی سیگنال دریافتی به دو دسته P300 و nP300 است. در این مطالعه، رهیافتی بر پایه روش‌های یادگیری ماشین نوین به منظور طبقه بندی این مولفه ارایه شده است.

روش‌کار. در ابتدا کانال‌های مناسب انتخاب شدند، سپس دادگان با روش نمونه برداری سنتزی تطبیقی افزوده شده و فیلتر شدند و مقدار ثابت از سیگنال حذف شد. چهار شبکه کانولوشن یک بعدی، کانولوشن دو بعدی، شبکه خود رمزگذار کانولوشن یک بعدی و خود رمزگذار کانولوشن دو بعدی جهت طبقه بندی مولفه P300 پیشنهاد شده است.

يافته‌ها. پس از یافتن پارامترهای بهینه و منطبق بر ساختار داده، صحت 92 درصد، به عنوان بیشترین صحت و با استفاده از مدل خود رمزگذار کانولوشن دو بعدی کسب شد که مصالحه‌ای مناسب بین بار محاسباتی، قابلیت تعمیم پذیری و ثبات در هنگام فرآیند آموزش و اعتبار سنجی دارد.

نتیجه‌گیری. نتایج به دست آمده حاکی از آن است که قابلیت‌های روش‌های یادگیری عمیق، آن ها را به ابزاری مناسب جهت طبقه بندی دادگان P300 تبدیل کرده که در نهایت باعث ارتقای عملکرد سیستم های واسط مغز و رایانه می شوند و در این میان روش های کانولوشنی خودرمزگذار ثبات بیشتر و همگرایی سریع‌تر نسبت به نسخه غیر خود رمزگذار در فرآیند آموزش و اعتبار سنجی دارند. علاوه بر این، روش ADASYN با حفظ ساختار اولیه فضای ویژگی و عدم کپی برداری از دادگان موجود، روشی مناسب برای برابرسازی کلاس ها در طبقه بندی P300 است.

پیامدهای عملی. افزایش صحت شناسایی مولفه P300 و همچنین کاهش حجم داده به شکل موثر با استفاده از شبکه خود رمزگذار پیشنهادی و در نتیجه آن افزایش توانایی تشخیص کاراکتر در سیستم‌های اسپلر مورد استفاده بیماران فلج عصبی عضلانی.